📖 AI 总结

微软扩展其MAI人工智能模型家族，推出首个流式转录模型及两款文本转语音模型，旨在帮助开发者构建能够实时聆听并即时回应的语音代理。核心产品MAI-Transcribe-2-Streaming通过WebSocket接收语音，在用户说话过程中持续输出并更新转录文本，平均320毫秒内给出首个转录假设，支持60多种语言及自动语种检测，定价为每小时音频54美分。相比此前推出的非流式版本MAI-Transcribe-2（每小时10美分），流式模型因需持续处理音频而成本更高。两款语音合成模型中，MAI-Voice-2.1侧重表现力与高保真，MAI-Voice-2.1-Flash则优先响应速度与低成本，分别定价每百万字符22美元和15美元，均支持23种语言。此次发布标志着微软在实时语音交互领域的重要布局。